DuMapNet: An End-to-End Vectorization System for City-Scale Lane-Level Map Generation

生成城市级车道级地图面临着重大挑战，如模糊或缺失的车道标记等复杂的城市环境。此外，标准的车道级地图需要全面组织车道分组，包括车道方向、样式、边界和拓扑结构，但在先前的研究中尚未得到彻底研究。这些障碍导致需要耗费大量人力进行注释和高昂的维护成本。本文克服了这些限制，并提出了一种名为DuMapNet的工业级解决方案，以端到端范式输出标准化的矢量地图元素及其拓扑结构。为此，我们提出了一种组群车道预测(GLP)系统，通过精心设计基于Transformer的网络，输出车道组的矢量化结果。同时，为了增强在挑战性场景（如道路磨损和遮挡）中的泛化能力以及改善全局一致性，提出了一个上下文提示编码器(CPE)模块，利用空间邻域的预测结果作为上下文信息。在大规模真实数据集上进行的广泛实验表明，DuMapNet具有卓越的优越性和有效性。此外，自2023年6月以来，DuMapNet已经在百度地图上投入生产，支持超过360个城市的车道级地图生成任务，同时成本降低了95%。这证明DuMapNet是生成城市级车道级地图的实用且具有成本效益的工业解决方案。

本论文旨在解决城市级车道级地图生成中存在的问题，例如模糊或缺失的车道标记和组织车道组的困难，提出了一种名为DuMapNet的解决方案。

论文提出了一种基于Transformer的Group-wise Lane Prediction（GLP）系统和Contextual Prompts Encoder（CPE）模块的端到端方法，以输出标准化的矢量化地图元素及其拓扑结构。

实验结果表明，DuMapNet在大规模真实世界数据集上具有卓越的性能和有效性，并已在百度地图中部署，为超过360个城市的车道级地图生成任务带来了95％的成本减少。

最近的相关研究包括基于深度学习的地图生成和车道检测，例如《DeepRoadMapper: Extracting Road Topology From Aerial Images》和《SqueezeSegV3: Spatially-Adaptive Convolution for Efficient Point-Cloud Segmentation》。